【技术实现步骤摘要】
本专利技术涉及困难气道模型构建，具体涉及一种基于集成机器学习的困难气道判定模型构建方法。
技术介绍
1、传统的困难气道筛查方法有一定的筛查价值，但其筛查价值十分有限。在目前临床实践中，经常运用张口度、甲颏间距、咬合上唇实验、mallampati分级、寰枕关节伸展度等方法，但以上筛查困难气道的指标大多为间接指标，是基于体表解剖标志及功能测试，其作用有限，敏感性、特异性较低，阳性筛查值不高。
2、为提高困难气道的筛查能力，应从两方面入手：一方面是找到具有良好筛查性能的筛查指标；另一方面是寻求最佳算法，将性能良好筛查指标建立最佳筛查模型，其中，单一筛查指标的筛查性能仍待进一步提高，其原因在于气管插管过程所涉及的上气道解剖学结构较多，任何一个单解剖指标无法反应所有的上气道解剖学特点，因此，多指标联合的困难气道筛查较单一指标更具有筛查价值。
3、传统的多种筛查指标简单组合在一定程度上提高了困难气道筛查的敏感性，但同时这些方法也降低了困难气道的筛查特异性。比如，传统的方法中的多种筛查指标只要有一个判断为困难气道，即判定结果为困难气道，虽然提高了困难气道被筛查出来的可能性，然而，同时导致会出现大量的假阳性，即大量的非困难气道患者被误判为困难气道患者，使预测的意义大大降低。
技术实现思路
1、本专利技术的目的在于提供一种基于集成机器学习的困难气道判定模型构建方法与系统，以解决现有技术中只要有一个判断为困难气道，即判定结果为困难气道，大量的非困难气道患者被误判为困难气道患者，
2、为解决上述技术问题，本专利技术具体提供下述技术方案：
3、一种基于集成机器学习的困难气道判定模型构建方法，包括以下步骤：
4、步骤100、收集困难气道的直观筛查指标以及基于超声测量的线上筛查指标，并确定每个气管插管患者基于所述直观筛查指标和线上筛查指标的判断结果，建立关于直观筛查指标、线上筛查指标和判断结果的数据集；
5、步骤200、选择用于困难气道判定的机器学习方法并生成集成机器学习模型，利用所述数据集对所述集成机器学习模型进行训练，并筛选出预测准确度高的所述集成机器学习模型；
6、步骤300、分别利用临床医生评价和所述集成机器学习模型对所述数据集内的数据进行分析，计算判定结果分析一致的概率。
7、作为本专利技术的一种优选方案，在步骤100中，所述直观筛查指标包括甲颏间距、咬上唇分级、mallampati分级，所述超声测量的线上筛查指标分为参量指标和图像指标，所述参量指标包括舌体厚度、颞下颌关节活动度和舌颏距离；
8、所述图像指标包括对病患拍摄的正侧位头面部照片，以及头面部的ct图像。
9、作为本专利技术的一种优选方案，利用所述机器学习方法对所述图像指标进行图像识别，以得到量化的定量图像指标，且将所述定量图像指标作为新增筛查指标。
10、作为本专利技术的一种优选方案，在步骤200中，所述机器学习方法包括随机森林模型、支持向量机模型、朴素贝叶斯分类器模型和人工神经网络模型，所述机器学习方法中选择至少两种模型构建困难气道判定的集成机器学习模型；
11、其中，将所述数据集划分为训练集和测试集，将所述训练集导入所述集成机器学习模型中并调整所述集成机器学习模型，再将所述测试集导入训练完成的所述集成机器学习模型中，并根据预测结果的auc值、灵敏度、特异度作为筛选优先级来顺次选择所述集成机器学习模型。
12、作为本专利技术的一种优选方案，将所述数据集划分为训练集和测试集后，先通过smote过采样的方法对所述训练集的类不平衡进行处理，以对所述训练集扩充数据体量，构建形成困难气道虚拟病患的虚拟样本集，将所述虚拟样本集结合所述训练集组建样本增强数据集；
13、将所述样本增强数据集导入所述集成机器学习模型中调整所述集成机器学习模型。
14、作为本专利技术的一种优选方案，利用smote过采样算法对所述训练集的多组数据扩充体量，构建虚拟病患的虚拟样本集的实现步骤为：
15、基于采样不平衡比例设置采样比例，所述原始样本集中的所有组数据随机分成组数不等的少数类和多数类，以确定采样倍率；
16、smote过采样算法以少数类为基础，利用插值方法对所述少数类合成新生的数据组，直至少数类与新生数据组的总体量与多数类的体量相同；
17、将新生成的数据组不置于所述原始样本集中，重复上述操作，继续将原始的训练集随机分成数据量不等的少数类和多数类，以新生多个所述数据组；
18、将新生的数据组形成虚拟病患的虚拟样本集，将虚拟样本集和原始的所述训练集组合形成增强数据集。
19、作为本专利技术的一种优选方案，smote过采样算法以少数类为基础，利用插值方法对所述少数类合成样本的实现方式为：
20、选择少数类中的某个样本作为中心样本，计算该中心样本与其他样本的距离，得到该中心样本的n个近邻样本，从该中心样本的n个近邻样本中随机选择单个目标样本按照样本生成公式来构建新生的数据组；
21、依次选择所述少数类中的其他样本作为中心样本进行插值操作，以合成新生的数据组，直至少数类与新生数据组的总体量与多数类的体量相同。
22、作为本专利技术的一种优选方案，将所述训练集通过插值方法生成新样本，使困难气道和非困难气道的数据数量相同或相近，然后再用数量相同或相近的困难气道和非困难气道的数据对所述集成机器学习模型进行训练。
23、作为本专利技术的一种优选方案，将所述测试集导入至训练好的所述集成机器学习模型中，计算每种所述集成机器学习模型生成的auc值；
24、依据所述auc值作为第一优先级筛选所述集成机器学习模型，筛选出auc值高且处于同一范围内的所述集成机器学习模型；
25、其中，auc值处于0.50～0.70表示该所述集成机器学习模型的准确度低；auc值处于0.71～0.90表示该所述集成机器学习模型的准确度中等；而auc值高于0.90则表示该所述集成机器学习模型的准确度高。
26、作为本专利技术的一种优选方案，将所述测试集划分为困难气道判定为是的阳性集，以及困难气道判定为否的阴性集；
27、将所述阳性集导入到筛选出的所述集成机器学习模型中，计算每种所述集成机器学习模型的预测结果正确的概率，将该概率值设定为每种所述集成机器学习模型的灵敏度；
28、将所述阴性集导入到筛选出的所述集成机器学习模型中，计算每种所述集成机器学习模型错误预测为阳性的概率，将该概率值设定为每种所述集成机器学习模型的1-特异度；
29、以所述灵敏度值作为第二优先级，筛选出灵敏度高的至少一个所述集成机器学习模型；
30、以所述1-特异度值作为第三优先级，进一步筛选出1-特异度值低的唯一一个所述集成机器学习模型。
31、本专利技术与现有技术相比较具有如下有益效果：
32、(1)结本文档来自技高网...
【技术保护点】
1.一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
3.根据权利要求2所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
4.根据权利要求1或3所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
5.根据权利要求4所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
6.根据权利要求5所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
7.根据权利要求6所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
8.根据权利要求6或7所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
9.根据权利要求4所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
10.根据权利要求9所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
【技术特征摘要】
1.一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
3.根据权利要求2所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
4.根据权利要求1或3所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
5.根据权利要求4所述的一种基于集成机器学习的困难气道判定模型构建方法，其特征在于，
【专利技术属性】
技术研发人员：王斌，姚卫东，王琦，徐建玲，李晓军，徐静，王茗芳，陈永权，
申请(专利权)人：皖南医学院第一附属医院皖南医学院弋矶山医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。